Обработка и распознавание трехмерных изображений групповых точечных объектов и точечных полей на базе их кватернионных моделей

Обработка и распознавание трехмерных изображений групповых точечных объектов и точечных полей на базе их кватернионных моделей

Автор: Рябинин, Константин Борисович

Шифр специальности: 05.13.18

Научная степень: Кандидатская

Год защиты: 2008

Место защиты: Ульяновск

Количество страниц: 208 с. ил.

Артикул: 4121142

Автор: Рябинин, Константин Борисович

Стоимость: 250 руб.

Обработка и распознавание трехмерных изображений групповых точечных объектов и точечных полей на базе их кватернионных моделей  Обработка и распознавание трехмерных изображений групповых точечных объектов и точечных полей на базе их кватернионных моделей 

СОДЕРЖАНИЕ
ВВЕДЕНИЕ
1. ОБЗОР СУЩЕСТВУЮЩИХ МАТЕМАТИЧЕСКИХ МЕТОДОВ ОБРАБОТКИ И РАСПОЗНАВАНИЯ ПРОСТРАНСТВЕННЫХ ИЗОБРАЖЕНИЙ
1.1. Введение
1.2. Методы формирования цифровых данных при сканировании пространственных объектов
1.3. Способы визуализации трехмерных объектов
1.4. Проблема упорядочивания групповых точечных объектов
1.5. Проблема распознавания и оценки параметров объемных поверхностей
1.6. Выводы
2. УПОРЯДОЧЕНИЕ ПРОСТРАНСТВЕННОГО ГРУППОВОГО ТОЧЕЧНОГО ОБЪЕКТА
2.1. Постановка задачи и подходы к е решению
2.2. Математическая модель представления ГТО в трехмерном пространстве
2.2.1. Задание математической модели ГТО в виде пучка кватернионов
2.2.2. Задание математической модели ГТО в виде полигонального контура
2.2.3. Задание математического описания ГТО в виде амплитудно фазовой модели
2.3. Математическая модель пространственного ГТО в виде выпуклого многогранника
2.3.1. Общие замечания
2.3.2. Начальный этап построения многогранника
2.3.3. Промежуточные этапы построения многогранника
2.4. Упорядочение пространственного ГТО на базе его проволочной модели
2.5. Пример упорядочения точек пространственного ГТО
2.5.1. Построение многогранника по заданному множеству точек его вершин
2.5.2. Представление точек пространственного ГТО в виде проволочной математической модели
2.6. Выводы
3. СИНТЕЗ АЛГОРИТМОВ РАСПОЗНАВАНИЯ
ПРОСТРАНСТВЕННЫХ ГРУППОВЫХ ТОЧЕЧНЫХ ОБЪЕКТОВ
3.1. Введение
3.2. Общий геометрический подход к решению задачи распознавания полностью известных кватернионных сигналов
3.3. Распознавание ГТО с неизвестным номером первой точки
3.4. Распознавание кватернионных сигналов с неизвестным значением угла поворота
3.5. Нахождение параметров вращения ПГТО по результатам его фильтрации
3.5.1. Постановка задачи
3.5.2. Преимущество решения задачи при использовании теории кватернионного анализа
3.5.3. Аналитические соотношения между выходным и входным сигналами кватернионного фильтра
3.5.4. Вычисление параметров преобразования исходного вектора в собственной сферической системе отсчета
3.5.5. Определение вида единого преобразования исходного КТС
3.5.6. Пример решения задачи определения параметров вращения
3.6. Алгоритм структурного анализа неупорядоченного 4 пространственного ГТО
3.7. Структура алгоритма распознавание пространственного 6 группового точечного объекта
3.8. Выводы
4. ВИЗУАЛИЗАЦИЯ ИЗОБРАЖЕНИЙ ОБЪЕКТОВ В ТРЕХМЕРНОЙ
ТОЧЕЧНОЙ СЦЕНЕ НА БАЗЕ КВАТЕРНИОННЫХ МОДЕЛЕЙ
4.1. Введение и постановка задачи
4.2. Преобразование кластеризации точечной трехмерной сцены
4.3. Автозахват плоскости истинной грани многогранника
4.4. Построение гистограммы сферических координат точек нормалей
4.5. Локализация пиков гистограммы сферических координат точек 2 нормалей
4.6. Обнаружение точек нормалей к анализируемой плоскости
4.7. Принципы реконструкции трехмерной сцены, заданной в виде 5 точечного поля
4.8. Визуализация изображения трехмерной сцены на примере 9 объемной пирамиды
4.8.1. Представление объекта генеральным множеством точек
4.8.2. Кластеризация генерального множества
4.8.3. Обнаружение точек нулевой грани объекта
4.8.4. Обнаружение точек последующих граней объекта
4.8.4.1. Первая грань объекта
4.8.4.2. Вторая грань объекта
4.8.4.3. Третья грань объекта
4.8.5. Анализ кластеров
4.8.6. Коррекция подмножеств граней путем добавлений особых 9 точек
4.8.7. Аналитическое описание формы граней
4.8.8. Структурный анализ формы граней объекта
4.8.9. Анализ результатов фильтрации контуров граней объекта
4.9. Выводы
5. ЭКСПЕРИМЕНТАЛЬНЫЕ ИССЛЕДОВАНИЯ
ПОМЕХОУСТОЙЧИВОСТИ РАЗРАБОТАННЫХ АЛГОРИТМОВ РАСПОЗНАВАНИЯ И УПОРЯДОЧЕНИЯ ПГТО
5.1. Введение
5.2. Проволочная модель пространственного группового точечного 0 объекта в условиях воздействия координатного шума
5.2.1. Модель координатного шума для случая трехмерного 0 изображения
5.2.2. Воздействие координатного шума на проволочную модель 2 ПГТО
5.2.3. Алгоритм распознавания зашумленного ПГТО
5.2.4. Экспериментальные исследования при распознавании 5 зашумленного ПГТО
5.3. Исследование пространственных точечных полей в условии 6 воздействия шумов
5.3.1. Появление ложных граней объекта
5.3.2. Методы борьбы с выделением ложных граней
5.4. Выводы
6. РЕШЕНИЕ ПРИКЛАДНОЙ ЗАДАЧИ ВЫБОРА УЧАСТКА
ПОВЕРХНОСТИ ДЛЯ ПОСАДКИ ЛЕТАТЕЛЬНОГО АППАРАТА
6.1. Постановка задачи обработки трехмерных изображений
6.2. Программная реализация алгоритма формирования множества 3 ближайших точек
6.3. Программная реализация формирования векторного поля для 6 анализируемого изображения
6.4. Программная реализация метода определения плоских участков 9 поверхности
6.5. Примеры обработки объемных объектов с помощью 3 разработанного программного продукта
6.6. Выводы
ЗАКЛЮЧЕНИЕ
СПИСОК ЛИТЕРАТУРЫ


В данном разделе решается задача визуализации пространственного точечного поля и определения характеристик трехмерного объекта. В пятой главе исследована эффективность предложенных алгоритмов распознавания на базе проволочной модели пространственного ГТО. Рассмотрено влияние неровностей поверхности, образованной при кластеризации точек пространственного точечного поля, на эффективность предложенного алгоритма. В шестой главе приведены практические результаты действия алгоритмов визуализации точечного поля. В качестве исходных данных для анализа рассматривалось зашумленное пространственное точечное поле. В заключении дан анализ полученных в диссертационной работе результатов исследований. Применение современных стандартных технологических компонентов цифровой обработки сигналов с построением мультипроцессорных конфигураций открывает новые возможности для проектирования, внедрения и реализации разнообразных объектноориентированных управляющих вычислительных комплексов, способных обеспечить прим и обработку сигнальной информации с последующей визуализацией сложных объектов в реальном масштабе времени
Под цифровой обработкой пространственного изображения следует понимать процесс получения изображения от датчиков, выделение сегментация отдельных фрагментов, описание полученных данных в подходящей для компьютерной обработки формирование математической модели и, наконец, распознавание полученной информации. Трехмерные координаты точек объекта получают в результате лазерного, гидролокационного, радиолокационного, ультразвукового зондирования поверхностей подстилающей поверхности Земли, морского дна 2,3, изображения медицинских объектов органов, сосудов и пр. Сложность перечисленных операций заключается в том, что в настоящее время нет достаточно полного решения задачи упорядочивания отметок трехмерных объектов, полученных с датчиков зондирования и в результате операций сканирования поверхности. Это связано с тем, что многообразие форм, созданное природой, практически сложно формализовать и описать математическими функциями. При этом операции обработки данных в реальном масштабе времени требуют больших вычислительных затрат, вследствие того, что приходится обрабатывать изображение по трем координатам. В литературе большое внимание уделяется проблемам реконструкции изображений 8. При этом важную роль в оценке класса изображения играет субъективный человеческий фактор. В то время как для оперативного принятия решения требуется автоматическое определение класса трехмерного объекта. В работе рассмотрены принципы дистанционного восприятия и анализа объекта. Как показано, их существует большое количество в зависимости от диапазона длин волн, используемых для зондирования исследуемого объекта. Устройства, реализующие эти принципы, называются сканерами и, как отмечается в , они делятся на четыре класса ультразвуковые генерирующие ультразвуковые волны и воспринимающие их с помощью расположенных на полу или потолке датчиков, магнитные базирующиеся па сходных принципах и использующие магнитное поле для определения пространственных координат, механические и лазерные. Первые три типа в основном представлены ручными устройствами, в которых оператор прорисовывает щупом линии на поверхности сканируемого объекта. Ультразвуковые и магнитные сканеры крайне чувствительны к различного рода шумам. Построение компьютерных моделей трехмерных объектов, как правило, требует серьезных усилий со стороны коллектива программистов. Специализированные трехмерные сканеры позволяют сократить процесс оцифровки с нескольких месяцев до нескольких часов . Дополнительно ЗП сканеры делятся на контактные и бесконтактныедистанционные. Контактный сканер это тип сканера, который использует в своей работе принцип обводки контура объекта вручную самим оператором. Другими словами, сканеры, работающие с этой технологией, обладают специальным механическим приспособлением сенсором, который представляет собой щуп. При помощи данного устройства в компьютер передаются выбранные оператором точки сканируемого объекта.

Рекомендуемые диссертации данного раздела

28.06.2016

+ 100 бесплатных диссертаций

Дорогие друзья, в раздел "Бесплатные диссертации" добавлено 100 новых диссертаций. Желаем новых научных ...

15.02.2015

Добавлено 41611 диссертаций РГБ

В каталог сайта http://new-disser.ru добавлено новые диссертации РГБ 2013-2014 года. Желаем новых научных ...


Все новости

Время генерации: 0.427, запросов: 244